CN105636197B

CN105636197B - 距离估计方法和装置、以及节点定位方法和设备

Info

Publication number: CN105636197B
Application number: CN201410636734.9A
Authority: CN
Inventors: 卢晓梅; 笪斌; 王炜; 杨林举; 廖可
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2014-11-06
Filing date: 2014-11-06
Publication date: 2019-04-26
Anticipated expiration: 2034-11-06
Also published as: US20160131750A1; CN105636197A; JP2016090587A; US9903943B2

Abstract

公开了一种距离估计方法和装置、以及节点定位方法和设备。该距离估计方法用于在特定环境中估计第一节点与第二节点之间的实时距离，该第一节点能够从该第二节点接收信号，并且包括：获取原始实时强度序列；对该原始实时强度序列进行多尺度变换，以获得多个实时强度分量序列；去除各个实时强度分量序列中的突发噪声元素；根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离；以及至少根据该经验实时距离来确定该第一节点与该第二节点之间的实时距离。因此，根据本发明实施例的方法，能够提高测距结果的准确性。

Description

距离估计方法和装置、以及节点定位方法和设备

技术领域

本发明涉及无线通信技术领域，更具体地，本发明涉及一种距离估计方法和装置、以及节点定位方法和设备。

背景技术

无线通信是利用电磁波而不是通过线缆进行的通信方式，其在人们日常生活中的应用越来越广泛。根据所使用的电磁波频率的不同，无线通信网络的通信协议和应用场景也大不相同，如全球移动通信***(GSM)、射频识别(RFID)、卫星通信、超声波、超宽带、蓝牙等。

在无线通信网络中，两个通信节点之间的距离估计在各个节点之间的通信过程中起到了重要的作用。为此，例如，可以通过两个节点之间的接收信号强度来估计位于特定环境中的两个节点之间的距离，其中在理论中，接收信号强度与节点距离成反比，也就是说，接收信号强度越强，发射节点与接收节点之间的距离最小，相反地，接收信号强度越弱，发射节点与接收节点之间的距离最大。

然而，通常来说，在特定环境中可能存在由于可移动或不可移动障碍物等因素所引起的空间变化，即环境噪声。这种环境噪声导致两个节点之间的距离估计操作出现不确定性。例如，环境噪声包括白噪声和突发噪声，其中尤其是，突发噪声对于上述的距离估计操作会产生难以预测到的影响，造成估计结果出现较大程度的误差。一般地，突发噪声是指突然出现的、幅度高、而持续时间短的噪声。例如，人们走进节点所处的特定空间然后离开的动作可能会对在两个节点之间正在传输的信号造成阻挡，这种阻挡将在接收信号强度上产生突发噪声。

传统上，由于并没有考虑到环境噪声的影响，所以当在接收信号强度中出现突发噪声时，上述距离估计操作将无法获得准确的距离估计结果。

为了应对突发噪声，提出了一种解决方案，其可以在距离估计操作之前，首先使用滤波器直接在接收信号强度中滤除突发噪声。然而，由于目前没有一种方法能够准确地确定突发噪声的位置，所以在执行滤除操作的过程中，容易滤除掉有效信号和/或没有完全地滤除掉突发噪声，因而，所得到的距离估计结果仍然存在一定偏差。

发明内容

本发明的一个目的在于，提供一种能够提高测距结果的准确性的距离估计方法。

本发明的另一目的在于，提供一种能够有效地提高定位精度的节点定位方法。

为此，根据本发明的一个方面，提供了一种距离估计方法，用于在特定环境中估计第一节点与第二节点之间的实时距离，所述第一节点能够从所述第二节点接收信号，所述方法包括：获取原始实时强度序列，所述原始实时强度序列中的各个原始实时强度是在第一时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度；对所述原始实时强度序列进行多尺度变换，以获得多个实时强度分量序列，所述多个实时强度分量序列分别是所述原始实时强度序列在多个尺度上的投影结果；去除各个实时强度分量序列中的突发噪声元素；根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离，所述多尺度经验映射关系用于表征在各个尺度上强度分量与距离分量之间的对应关系；以及至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离。

此外，根据本发明的另一方面，提供了一种节点定位方法，用于对未知其位置的未知节点进行定位，所述未知节点能够与已知其位置的多个参考节点进行通信，所述方法包括：使用上述距离估计方法来分别估计所述未知节点与各个参考节点之间的实时距离；从所述多个参考节点中选择预定数目个参考节点；以及根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。

根据本发明的又一方面，提供了一种距离估计装置，用于在特定环境中估计第一节点与第二节点之间的实时距离，所述第一节点能够从所述第二节点接收信号，所述装置包括：实时强度获取单元，用于获取原始实时强度序列，所述原始实时强度序列中的各个原始实时强度是在第一时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度；多尺度变换单元，用于对所述原始实时强度序列进行多尺度变换，以获得多个实时强度分量序列，所述多个实时强度分量序列分别是所述原始实时强度序列在多个尺度上的投影结果；突发噪声去除单元，用于去除各个实时强度分量序列中的突发噪声元素；经验实时距离估计单元，用于根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离，所述多尺度经验映射关系用于表征在各个尺度上强度分量与距离分量之间的对应关系；以及实时距离确定单元，用于至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离。

根据本发明的又一方面，提供了一种节点定位设备，用于对未知其位置的未知节点进行定位，所述未知节点能够与已知其位置的多个参考节点进行通信，所述设备包括：上述距离估计装置，用于分别估计所述未知节点与各个参考节点之间的实时距离；参考节点选择装置，用于从所述多个参考节点中选择预定数目个参考节点；以及未知节点定位装置，用于根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。

与现有技术相比，本发明的实施例提供了一种距离估计方法和装置，其能够在通过接收信号强度来估计两个节点之间的距离时，首先对接收信号强度进行多尺度变换，以便将接收信号强度投影到多个尺度上，从而精确地定位并去除突发噪声在多个尺度上的投影分量。此外，该距离估计方法和装置还能够充分考虑接收信号强度的时变特性，从而在测距过程中，使用加权因子来对具有实时性的理想实时距离和具有历史规律性的经验实时距离两者进行相互校正，从而得到最终的实时距离。因此，根据本发明实施例的距离估计方法和装置能够提高测距结果的准确性。

此外，本发明的实施例还提供了一种节点定位方法和装置，其能够在根据未知节点与参考节点之间的实时距离和参考节点的位置来对所述未知节点进行定位时，根据全面的准则来选取合适的参考节点，以确保该参考节点与未知节点之间的估计距离尽可能小地受到突发噪声的影响，从而使得该节点定位方法和装置能够很好地适用于不同的复杂环境，并且能够有效地提高定位精度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1图示了根据本发明实施例的应用场景的结构框图。

图2是图示了根据本发明实施例的距离估计方法的总体流程图。

图3是图示了根据本发明实施例的节点定位方法的总体流程图。

图4是图示了根据本发明实施例具体示例的节点定位方法的总体流程图。

图5是图示了根据本发明实施例具体示例的3层后向传输神经网络模型的原理图。

图6是图示了根据本发明实施例具体示例的经验强度信号和实时强度信号的划分示意图。

图7是图示了根据本发明实施例具体示例的2层小波分析的原理图。

图8是图示了根据本发明实施例具体示例的三角测量法的原理图。

图9是图示了根据本发明实施例的距离估计装置的功能配置框图。

图10是图示了根据本发明实施例的节点定位设备的功能结构图。

具体实施方式

将参照附图详细描述根据本发明的各个实施例。这里，需要注意的是，在附图中，将相同的附图标记赋予基本上具有相同或类似结构和功能的组成部分，并且将省略关于它们的重复描述。

为了使本领域技术人员更好地理解本发明，将按下列顺序来对本发明作进一步详细说明。

1、本发明的思想概述

2、应用场景

3、距离估计方法

4、节点定位方法

5、节点定位方法的具体示例

6、距离估计装置

7、节点定位设备

1、本发明的思想概述

在对现有技术中的技术问题进行研究的过程中，本发明人认识到：在距离估计操作中，已有的大多数研究工作都是使用一个滤波器直接滤除两个节点之间的接收信号强度中的突发噪声。显然，这种突发噪声去除方式过于简单、低效，容易错误地滤除掉有效信号和/或遗漏掉突发噪声。

考虑到上述技术问题，在根据本发明实施例的距离估计方法中，本发明人提出：可以在定位突发噪声时充分考虑突发噪声的多尺度特性，并在距离估计操作中尝试使用这种突发噪声来帮助进行两个节点之间的测距操作。

此外，本发明人进一步提出：还可以在基于接收信号强度执行的距离估计操作中，充分考虑这种接收信号强度的时变特性。具体地，针对基于当前时隙的距离估计操作，可以将过去的多个时隙的接收信号强度分成两部分，即经验接收信号强度和实时接收信号强度。在测距过程中，不但可以利用具有实时性的实时接收信号强度来估计节点之间的实时距离，并且由于经验接收信号强度中的历史信息对测距操作也非常有益，所以还可以尝试使用经验接收信号强度来帮助进行实时测距。

另外，基于上述的距离估计操作，本发明人还提出了一种节点定位方法，其可以根据一个全面的准则来选取用于帮助确定未知节点位置的参考节点，从而解决了在已有的研究工作中由于仅仅根据接收信号强度这一单一标准来选择参考节点所导致的、定位操作高度依赖于距离估计操作的精确度的问题。

2、应用场景

在下文中，将首先参考图1来描述根据本发明实施例的应用场景的总体结构示例。

根据本发明实施例的距离估计方法和装置、以及节点定位方法和设备可以应用于无线通信***，该无线通信***可以是在任何类型的特定环境中构建的无线通信网络。

例如，当该特定环境是室外环境时，该无线通信***可以是全球移动通信***(GSM)、卫星通信***、微波通信***。具体地，以卫星通信为例，该无线通信***可以是欧洲的伽利略(GALILEO)***、俄罗斯的格洛纳斯***(GLONASS)、美国的卫星定位***(GPS)、中国的北斗***等。基于室外环境构建的无线通信***由于发展比较早、技术成熟，所以距离估计操作往往能够获得较大的覆盖范围和可为人们接受的测距精度。

又如，当该特定环境是室内环境时，该无线通信***可以是射频识别(RFID)通信***、紫蜂协议(ZigBee)通信***、超声波通信***、超宽带通信***、蓝牙通信***等。显然，在上述基于室外环境构建的无线通信***中应用的距离估计方法由于无法解决信号遮蔽的问题而不能应用于室内环境，而基于室内环境构建的无线通信***由于起步比较晚、室内环境也非常复杂，所以距离估计操作往往存在距离估计精度低、时间长等问题。

正因如此，除了可以进一步增强室外环境的测距精度之外，本发明的实施例还可以很好地应用于基于室内环境构建的无线通信***，以弥补室内环境中的测距操作的上述不足，使得能够在室内环境中准确地估计两个节点之间的节点距离，并进一步据此来对未知节点进行精确定位。

需要说明的是，尽管在下文中以基于室内环境构建的无线通信***为例进行说明，但是，本发明不限于此。显然，本发明同样可以应用于基于室外环境构建的无线通信***中。

图1图示了根据本发明实施例的应用场景的结构框图。

如图1所示，例如，可以应用根据本发明实施例的方法、装置和设备的应用场景是一种室内环境，在该室内环境中构造有无线通信***10。该无线通信***10可以至少包括两个节点，在所述两个节点之间能够进行单向或双向通信，以使得能够在该室内环境中估计这两个节点之间的节点距离。

具体地，在图1所示的示例中，该无线通信***10包括五个节点11A、11B、11C、11D、和12。以节点11A和节点12为例，可以看出，两者之间可以进行通信，以使得能够在该室内环境中估计这两个节点之间的节点距离。

例如，为了计算节点11A与节点12之间的节点距离，节点11A可以向节点12传送无线通信信号，或者节点12也可以向节点11A传送无线通信信号。此外，根据接收信号强度来计算节点距离的操作可以在两个节点中的任何一个上执行。例如，当节点11A可以向节点12传送通信信号时，节点12可以直接根据从节点11A接收到的信号的强度来计算该节点距离。替换地，节点12也可以将从节点11A接收到的信号的强度传送到节点11A，然后再由节点11A来计算该节点距离。另外，节点12也可以将该信号强度传送到一个统一的服务器(未示出)，以便在该服务器中集中地执行该节点距离计算操作。

显然，更一般地，为了确定更多节点与节点12之间的节点距离，在该无线通信***10中，多个节点11A、11B、11C、和11D中的各个节点都可以与节点12进行通信。

如背景技术所描述的，上述的节点距离计算操作可能受到在室内环境中存在的环境噪声的影响。这种环境噪声主要包括白噪声和突发噪声。其中，白噪声是指功率谱密度在整个频域内均匀分布的噪声，而突发噪声是指突然出现的、幅度高、而持续时间短的噪声。通常而言，该白噪声往往是由于在室内环境中存在的不可移动障碍物对正在通信的两个节点之间的通信信道的长期阻挡所引起的；而该突发噪声往往是由于在室内环境中存在的可移动障碍物在较短时间中移动进入并离开正在通信的两个节点之间的通信信道，从而对该通信信道造成瞬时遮挡，进而导致在两者之间正在传输的信号产生突然性的衰落所引起的。

例如，在图1所示的示例中，在该室内环境中可以包括可移动障碍物13以及不可移动障碍物14A、14B、14C。如图1所示，该可移动障碍物13例如可以是走动的人员，其在沿着移动轨迹(如图1中的虚线箭头所示)进行移动时，突然经过节点11C与节点12之间的通信信道，从而导致在遮挡通信信道的瞬间在两个节点之间的接收信号强度上产生突发噪声。此外，如图1所示，该不可移动障碍物14A和14B由于并未处于任何两个节点之间的通信信道中，从而并未对无线通信***10产生影响；而该不可移动障碍物14C由于固定地位于节点11B与节点12之间的通信信道中，所以长期地导致在两个节点之间的接收信号强度上产生白噪声。

在此情况下，为了准确地测量节点11C与节点12之间的节点距离，必须在接收信号强度中很好地定位并滤除由于移动人员的遮挡而产生的突发噪声。为此，根据本发明实施例的距离估计方法可以对受到突发噪声影响的节点11C与节点12之间的接收信号强度进行多尺度变换，以便将接收信号强度投影到多个尺度上，从而精确地定位并去除突发噪声在多个尺度上的投影分量，使得能够准确地测量出两个节点之间的距离。

进一步地，在无线通信***中，如何确定节点距离只是其应用的前提，而如何确定各个节点的位置信息才是其应用的基础。例如，在森林火灾报警时希望知道火灾发生在什么位置、在军事侦察中希望知道是哪里出现敌情、在地下停车场中希望知道哪里有空闲车位等等，也就是说，没有确切位置信息的监测活动往往是没有意义的。

为了进行节点定位操作，可以将无线通信***10中的所有节点划分为两大类，一类是已知其位置的参考节点，另外一类是未知其位置的未知节点。

具体地，在图1所示的示例中，可以假设节点11A、11B、11C、和11D可以是参考节点，而节点12可以是未知节点。在下文中，为了便于描述，当不需要对各个参考节点进行区分时，可以统一地将它们标记为参考节点11。对于参考节点11而言，不但已知其标识符(ID)，而且已知其位置(例如，全局坐标)；而对于未知节点12而言，仅仅已知其ID。

在本发明的实施例中，参考节点11可以通过诸如蓝牙、红外、近场通信、RFID之类的任何方式来与未知节点12进行无线通信，从而在距离估计方法中，可以获得未知节点12与各个参考节点11之间的实时距离，并且进而在节点定位方法中，可以根据上述实时距离和各个参考节点11的已知位置来对未知节点12进行定位。

3、距离估计方法

在下文中，将参考图2来描述根据本发明实施例的距离估计方法的总体流程示例。

所述距离估计方法可以用于在特定环境中估计第一节点与第二节点之间的实时距离。

在一个实施例中，所述特定环境可以是室外环境或室内环境。

进一步地，由于在室外环境中已经具有技术成熟、结果准确的成熟测距技术，其测距精度足以满足日常应用的需求；而在室内环境中的测距精度尚未满足用户需求，所以，在一个具体示例中，所述特定环境可以是室内环境。

例如，该室内环境可以是一种特殊的室内环境，在该环境中，人员或物体可以偶尔地移动，对正在两个节点之间发送的无线通信信号造成阻挡，从而产生突发噪声。

此外，所述距离估计方法可以基于第一节点与第二节点之间的接收信号强度来实现两个节点之间的距离估计操作。为此，在所述特定环境中，所述第一节点能够从所述第二节点接收信号，也就是说，在所述距离估计方法中可以获得所述第一节点从所述第二节点接收到的信号的强度。

如图2所示，所述距离估计方法可以包括：

在步骤S110中，获取原始实时强度序列，所述原始实时强度序列中的各个原始实时强度是在第一时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度。

在步骤S120中，对所述原始实时强度序列进行多尺度变换，以获得多个实时强度分量序列，所述多个实时强度分量序列分别是所述原始实时强度序列在多个尺度上的投影结果。

在步骤S130中，去除各个实时强度分量序列中的突发噪声元素。

在步骤S140中，根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离，所述多尺度经验映射关系用于表征在各个尺度上强度分量与距离分量之间的对应关系。

在步骤S150中，至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离。

接下来，将更加详细地描述上述的各个步骤。

在根据本发明实施例的距离估计方法中，为了充分考虑接收信号强度的时变特性，可以根据接收信号强度被获取到的不同时段来将所述接收信号强度划分为经验接收信号强度和实时接收信号强度，以使得能够同时利用具有实时性的实时接收信号强度和具有历史规律性的经验接收信号强度两者来进行实时测距，从而提高测距结果的准确性。

为此，在一个实施例中，在步骤S110之前，首先，可以预先地在一个或多个时间段中，以特定采样频率不断地获得所述第一节点从所述第二节点接收到的信号的强度，作为接收信号强度序列。为了稍后使用，所述接收信号强度序列可以存储在第一节点、第二节点或其他任何位置处，只要能够在距离估计方法中获取到即可。

例如，所述接收信号强度可以是在通信节点中获得的接收信号强度指示(RSSI)，其是无线发送层的可选部分，用来判定链接质量、以及是否增大广播发送强度。

需要注意的是，尽管在这里以RSSI作为接收信号强度的示例进行描述，但是，本发明不限于此。例如，该接收信号强度也可以是接收信号功率(Rx)。

在获得接收信号强度序列之后，可以将在距离当前时隙较近的第一时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度定义为原始实时强度，并且各个原始实时强度形成原始实时强度序列。相反地，可以将在距离当前时隙较远的所述第一时段以前的第二时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度定义为原始经验强度，并且各个原始经验强度形成原始经验强度序列。显然，取决于对于接收信号强度的采样频率和采样时长，所述原始实时强度序列可以包括一个或多个原始实时强度，并且同理，所述原始经验强度序列可以包括一个或多个原始经验强度。

这样，在步骤S110中，可以获取按照上述划分方式所得到的原始实时强度序列。

接下来，在步骤S120中，可以对所述原始实时强度序列进行多尺度变换。所述多尺度变换也可以称为多尺度分析(MRA)，其基本思想是在不同的尺度(或分辨率)水平上表达任意的函数。

在一个实施例中，所述多尺度变换可以是小波变换。与傅里叶(Fourier)变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩、平移运算来对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分、低频处频率细分，使得能够自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。

这样，通过多尺度变换可以将在步骤S110中获得的原始实时强度序列分别在多个尺度上进行投影，也就是说，对所述原始实时强度序列进行分解和重构，以获得多个尺度上的多个实时强度分量序列。

随后，在步骤S130中，可以去除在步骤S120中获得的各个实时强度分量序列中的突发噪声元素。

在一个实施例中，去除各个实时强度分量序列中的突发噪声元素可以包括：针对各个实时强度分量序列，使用在所述实时强度分量序列中除了所述突发噪声元素之外的其他剩余元素的值来替换所述突发噪声元素。

例如，可以计算在所述实时强度分量序列中除了所述突发噪声元素之外的其他剩余元素的平均值，并且使用所述平均值来替换所述突发噪声元素。

又如，也可以向其他剩余元素分配权重因子，并且计算所述其他剩余元素的加权平均值，并且使用所述加权平均值来替换所述突发噪声元素。在此过程中，由于在某一个实时强度分量序列中距离当前时隙越近的有效信号元素的实时性越好，在理论中越能正确地反映第一节点和第二节点之间的实时距离，所以可以向距离当前时隙越近的有效信号元素分配越高的权重值，而向距离当前时隙越远的有效信号元素分配越低的权重值。

此外，为了能够在步骤S130中准确地去除各个实时强度分量序列中的突发噪声元素，而不会影响其他剩余元素(即，有效信号元素)，可以首先在实时强度分量序列中对所述突发噪声元素进行定位。

在一个实施例中，在实时强度分量序列中对所述突发噪声元素进行定位可以包括：针对各个实时强度分量序列，使用所述实时强度分量序列中的各个元素的值来定位所述突发噪声元素。

例如，可以计算所述实时强度分量序列中的各个元素的平均值；针对所述实时强度分量序列中的各个元素，计算所述元素与所述平均值之间的个体偏差程度；以及当所述个体偏差程度大于或等于个体偏差阈值时，判断出所述元素是突发噪声元素。相反地，当所述个体偏差程度小于个体偏差阈值时，可以判断出所述元素不是突发噪声元素，从而可以继续计算下一个元素与所述平均值之间的个体偏差程度，直到所有的元素判断完毕为止。

另外，为了减少计算量、加快距离估计方法的处理速度，可以当在实时强度分量序列中对所述突发噪声元素进行定位之前，首先判断在所述实时强度分量序列中是否存在突发噪声元素，并且只有在判断出在所述实时强度分量序列中存在突发噪声元素，才在所述实时强度分量序列中定位所述突发噪声元素。

在一个实施例中，判断在所述实时强度分量序列中是否存在突发噪声元素可以包括：使用所述实时强度分量序列中的各个元素的值来判断在所述实时强度分量序列中是否存在突发噪声元素。

例如，可以计算所述实时强度分量序列的总体偏差程度；以及当所述总体偏差程度大于或等于总体偏差阈值时，判断出在所述实时强度分量序列中存在突发噪声元素，进而可以计算所述实时强度分量序列中的各个元素的平均值，以定位所述突发噪声元素。相反地，当所述总体偏差程度小于总体偏差阈值时，判断出在所述实时强度分量序列中不存在突发噪声元素，从而可以继续确定下一个实时强度分量序列中是否存在突发噪声元素，直到所有的实时强度分量序列判断完毕为止。

进而，在步骤S140中，可以根据在步骤S130中获得的去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离。

在一个实施例中，根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离可以包括：根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计多个实时距离分量序列，所述多个实时距离分量序列分别是原始实时距离序列在多个尺度上的投影结果，所述原始实时距离序列中的各个原始实时距离是在所述第一时段中的各个时隙中所估计的所述第一节点与所述第二节点之间的距离；以及根据所述多个实时距离分量序列来生成所述经验实时距离。

例如，根据所述多个实时距离分量序列来生成所述经验实时距离可以包括：针对各个实时距离分量序列，计算所述实时距离分量序列中的各个元素的平均值，作为各个尺度中的实时距离分量；以及对各个尺度中的实时距离分量进行求和，以生成所述实时距离。

如上所述，在上述过程中，显然，也可以通过分配权重因子来计算所述实时距离分量序列中的各个元素的加权平均值。

为了能够在步骤S140中根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离，可以首先根据原始经验强度序列和相应的原始经验距离序列来生成多尺度经验映射关系。

在一个实施例中，所述多尺度经验映射关系可以是一种自学习模型，在自学习(训练)过程中，其能够根据特定的输入和输出训练而成，并且在应用过程中，其能够根据已经训练好的标准来基于不同的输入来输出不同的结果。

例如，所述多尺度经验映射关系可以是人工神经网络(ANN)，其也称为神经网络或连接模型，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠***的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

需要注意的是，尽管这里以神经网络作为多尺度经验映射关系的示例进行说明，但是，本发明不限于此。例如，所述多尺度经验映射关系同样可以是马尔科夫模型、分类器等。

在一个实施例中，根据原始经验强度序列和相应的原始经验距离序列来生成多尺度经验映射关系可以包括：获取原始经验强度序列和相应的原始经验距离序列，所述原始经验强度序列中的各个原始经验强度是在所述第一时段以前的第二时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度，并且所述原始经验距离序列中的各个原始经验距离是在所述第二时段中的各个时隙中所得到的所述第一节点与所述第二节点之间的距离；对所述原始经验强度序列和所述原始经验距离序列进行多尺度变换，以获得多个经验强度分量序列和多个经验距离分量序列，所述多个经验强度分量序列分别是所述原始经验强度序列在多个尺度上的投影结果，并且所述多个经验距离分量序列分别是所述原始经验距离序列在多个尺度上的投影结果；去除各个经验强度分量序列中的突发噪声元素；以及根据去噪后的多个经验强度分量序列和所述多个经验距离分量序列来生成所述多尺度经验映射关系。

此外，由于如上所述，原始经验强度是在距离当前时隙较远的所述第一时段以前的第二时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度，并且原始经验距离也是在第二时段中获得的，所以原始经验强度和相应的原始经验距离序列的实时性不强，其很可能由于特定环境中的环境变化而失去参考意义，进而导致根据其所生成的多尺度经验映射关系由于不符合实时性要求，而无法在步骤S140中得出准确的经验实时距离。

因此，为了解决上述问题，可以根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离之前，首先判断所述多尺度经验映射关系是否符合实时性要求，并且只有当判断出所述多尺度经验映射关系符合实时性要求，才继续执行后续的步骤S150；否则重新生成具有更好实时性的多尺度经验映射关系。

在一个实施例中，判断所述多尺度经验映射关系是否符合实时性要求可以包括：根据所述经验实时距离和理想实时距离来确定所述特定环境中的环境变化程度，所述理想实时距离是在理想情况下根据所述原始实时强度序列所估计出的所述第一节点与所述第二节点之间的节点距离；当所述环境变化程度小于环境变化阈值时，判断出所述多尺度经验映射关系符合实时性要求，从而可以至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离；以及当所述环境变化程度大于或等于所述环境变化阈值时，判断出所述多尺度经验映射关系不符合实时性要求，从而可以获取新的原始经验强度序列和相应的原始经验距离序列，并且重新生成所述多尺度经验映射关系。

例如，所述新的原始经验强度序列和相应的原始经验距离序列可以是与第二时段相比，在距离当前时隙更近的时段中获得的相应序列。

显然，为此，所述距离估计方法还可以包括：根据所述原始实时强度序列和理想映射关系来估计所述理想实时距离，所述理想映射关系用于表征在理想情况下信号强度与节点距离之间的对应关系。

在一个实施例中，根据所述原始实时强度序列和理想映射关系来估计所述理想实时距离可以包括：根据所述原始实时强度序列和理想映射关系来估计理想实时距离序列；以及计算所述理想实时距离序列中的各个元素的平均值，作为所述理想实时距离。

如上所述，在上述过程中，显然，也可以通过分配权重因子来计算所述理想实时距离序列中的各个元素的加权平均值。

例如，所述理想映射关系可以是用于基于RSSI来计算理想实时距离的理想路径损耗模型。

最后，在步骤S150中，可以至少根据在步骤S140中获得的所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离。

在一个实施例中，可以将所述经验实时距离直接作为所述第一节点与所述第二节点之间的实时距离。

在另一实施例中，为了更加全面地利用实时接收信号强度，以获得更准确的实时距离，可以根据所述经验实时距离和理想实时距离来确定所述第一节点与所述第二节点之间的实时距离，所述理想实时距离是在理想情况下根据所述原始实时强度序列所估计出的所述第一节点与所述第二节点之间的节点距离。

例如，根据所述经验实时距离和理想实时距离来确定所述第一节点与所述第二节点之间的实时距离可以包括：向所述经验实时距离和所述理想实时距离分配权重因子；以及根据所述权重因子来对所述经验实时距离和所述理想实时距离进行加权求和，以确定所述第一节点与所述第二节点之间的实时距离。

由此可见，本发明的实施例提供了一种距离估计方法，其能够在通过接收信号强度来估计两个节点之间的距离时，首先对接收信号强度进行多尺度变换，以便将接收信号强度投影到多个尺度上，从而精确地定位并去除突发噪声在多个尺度上的投影分量。此外，该距离估计方法还能够充分考虑接收信号强度的时变特性，从而在测距过程中，使用加权因子来对具有实时性的理想实时距离和具有历史规律性的经验实时距离两者进行相互校正，从而得到最终的实时距离。因此，根据本发明实施例的距离估计方法能够提高测距结果的准确性。

4、节点定位方法

在根据上述距离估计方法而准确地获得了两个节点之间的距离之后，在本发明的实施例中，还可以基于所测量的节点距离，进一步在特定环境中对未知其位置的未知节点进行定位。

目前，常用的节点定位技术主要可分为基于测距的和无需测距的两大类。通常而言，无需测距的定位算法适用在同构网络，其对传感器节点的密度要求较大、成本高、相比基于测距的定位算法定位精度低、定位条件要求比较高。相反地，在基于测距的定位算法中，主要包括基于接近检测(PD)、到达时间(TOA)、到达时间差(TOOA)、到达角度(AOA)和接收信号强度(RSS)等测距技术。在这几种算法之中，基于TOA、TOOA、AOA测距的节点定位技术虽然定位精度高，但是需要额外的硬件设备，使得成本较高、体积变大、安装调试不方便；而由于大多数无线设备都具有捕获RSS的能力，所以使得基于RSS测距的节点定位技术不需要额外的硬件支持、成本低、功耗小、体积小。

有鉴于此，在本发明的实施例中，由于在节点定位方法中可以使用基于RSS的上述距离估计方法来获得参考节点与未知节点之间的实时距离，以便对未知节点进行定位，所以其同样具有上述提到的各种优点。

此外，根据本发明实施例的节点定位方法，还可以根据一个更全面的准则选取用于帮助确定未知节点位置的参考节点，从而能够更准确地对未知节点进行定位。

在下文中，将参考图3来描述根据本发明实施例的节点定位方法的总体流程示例。

所述节点定位方法可以用于在特定环境中对未知其位置的未知节点进行定位。

如上所述，为了解决诸如卫星定位技术之类的成熟室外定位技术由于信号遮蔽的原因而无法应用于室内环境的问题，在一个具体示例中，根据本发明实施例的节点定位方法可以应用于室内环境。

然而，本发明不限于此。显然，本发明实施例的节点定位方法同样可以应用于室外环境。

此外，为了对未知其位置的未知节点进行定位，所述未知节点能够与已知其位置的多个参考节点进行通信。

如图3所示，所述节点定位方法可以包括：

在步骤S210中，分别估计所述未知节点与各个参考节点之间的实时距离。

在步骤S220中，从所述多个参考节点中选择预定数目个参考节点。

在步骤S230中，根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。

接下来，将更加详细地描述上述的各个步骤。

在步骤S210中，可以使用各种距离估计方法来分别估计所述未知节点与各个参考节点之间的实时距离。

在一个实施例中，可以使用根据本发明实施例的距离估计方法来分别估计所述未知节点与各个参考节点之间的实时距离。

接下来，在步骤S220中，可以从所述多个参考节点中选择预定数目个参考节点。

由于在理论上，接收信号强度越大，参考节点与未知节点之间的位置越接近，从而对未知节点的定位越准确，所以可以选择具有最大接收信号强度的预定数目个参考节点。

为此，在一个实施例中，从所述多个参考节点中选择预定数目个参考节点可以包括：仅仅根据接收信号强度来从所述多个参考节点中选择预定数目个参考节点。

然而，由于在实践中，接收信号强度可能受到突发噪声的影响，所以仅仅根据接收信号强度这一单一标准来选择参考节点很可能导致定位操作同样受到突发噪声的影响。因此，在选择参考节点时，除了可以考虑接收信号强度，还可以进一步考虑在时间维度中特定环境中的环境变化程度，并且选择其与未知节点之间的无线通信尽可能少地受到突发噪声影响的参考节点。

为此，在另一实施例中，从所述多个参考节点中选择预定数目个参考节点可以包括：根据所述原始实时强度序列和所述特定环境中的变化程度来生成选择因子；以及选择具有最大选择因子的前预定数目个参考节点。

在一个实施例中，预定数目个参考节点可以是三个或三个以上的参考节点。

最后，在步骤S230中，可以根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。

在一个实施例中，可以使用三角定位法来对所述未知节点进行定位。三角定位法的原理是利用3个或者3个以上的参考节点在不同位置与未知节点进行通信，然后根据参考节点与未知节点之间的距离和参考节点的位置坐标，运用三角几何原理来确定该未知节点的位置坐标。

由此可见，本发明的实施例提供了一种节点定位方法，其能够在根据未知节点与参考节点之间的实时距离和参考节点的位置来对所述未知节点进行定位时，根据全面的准则来选取合适的参考节点，以确保该参考节点与未知节点之间的估计距离尽可能小地受到突发噪声的影响，从而使得该节点定位方法能够很好地适用于不同的复杂环境，并且能够有效地提高定位精度。

需要注意的是，尽管在这里将根据本发明实施例的距离估计方法应用于对节点进行定位的应用场景，但是，本发明不限于此。所述距离估计方法还可以用于其他各种应用场景。例如，该距离估计方法还可以应用于基于所获得的两个节点之间的距离来对目标节点进行检测和跟踪，从而为计算机自动地感知目标节点提供关键的信息，并且为一些高层应用(例如，节点的活动识别和场景理解)提供底层服务。例如，应用于驾驶辅助***的路上车辆检测方法可以有效地检测或识别作为无线通信节点的车辆的有无、距离、速度、方位等等，以便帮助驾驶员避免交通事故。

5、节点定位方法的具体示例

在下文中，将参考图4到图8来描述根据本发明实施例的节点定位方法的具体示例。

在该具体示例中，假设该节点定位方法应用于以下应用场景，在该应用场景中部署有M个(M≥3)参考节点和一个或多个未知节点，其中参考节点的位置以及ID已知，而未知节点的ID已知、但是位置未知。

具体地，例如可以假设该应用场景是如图1所示的室内环境，其中布置有4个(M＝4)参考节点11A、11B、11C和11D、以及一个未知节点12。

并且，例如可以假设所述各个节点是在一个建筑物内部部署的蓝牙低能耗(BLE)节点，其可以通过BLE协议彼此进行无线通信。也就是说，未知节点12可以使用BLE协议在不同的时隙中从各个参考节点11接收通信信号。

此外，为了进行定位，该未知节点12还可以从接收到的通信信号中提取用于指示出相应的接收信号强度的RSSI信号，并且将它们存储在自身的临时存储器中。

在下文中，将参考图4来描述根据本发明实施例具体示例的节点定位方法的总体流程示例。

如图4所示，该节点定位方法可以包括：

在步骤S301中，从M个参考节点中选择一个参考节点m。

在图1所示的室内环境中，为了对未知节点12进行定位，要首先估计出该未知节点与至少三个参考节点11之间的距离。

为此，可以从图1所示的4个参考节点11中选择一个参考节点m。例如，初始地，可以首先选择参考节点11中的第一个参考节点11A，即m＝1。

在步骤S302中，对与所述参考节点相关的经验实时距离和理论实时距离进行初始化。

在选择了第一个参考节点11A之后，可以对与第一个参考节点11A相关的经验实时距离和理论实时距离进行初始化，例如，在用于对未知节点进行定位的设备中向上述变量分配内存空间等。例如，该定位设备可以是未知节点12自身，可以是任何一个参考节点11，也可以是任何其他的电子设备。

为了便于描述，下面假设该定位设备可以是未知节点12自身。

在步骤S303中，判断与所述参考节点相关的多尺度经验映射关系是否已经存在。

接下来，可以判断是否已经训练出了与第一个参考节点11A相关的多尺度经验映射关系。如果已经训练出了该多尺度经验映射关系，则本节点定位方法前进到步骤S310，否则前进到步骤S304。

例如，在本具体示例中，该多尺度经验映射关系可以通过3层后向传输(BP)神经网络模型来实现。

如图5所示，3层BP神经网络模型处理信息的基本原理是：输入信号Xi通过中间节点(隐藏层节点)作用于输出节点，经过非线形变换，产生输出信号Yk。神经网络模型训练的每个样本包括输入向量X和期望输出量T。针对网络输出值Y与期望输出值T之间的误差，通过调整输入节点与隐藏层节点的联接强度取值Wij和隐藏层节点与输出节点之间的联接强度Wjk以及阈值，使该误差沿梯度方向最速下降。经过反复学***方差)相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。由于BP神经网络模型的原理已经为本领域技术人员所熟知，所以在这里省略其详细描述。

在本具体示例的后续步骤中，例如，可以使用输入层、隐藏层、和输出层比例为1:26:1的3层BP神经网络模型，并且使用Traincgf算法来对该3层BP神经网络模型进行训练。

显然，在执行到本步骤时，由于目前还尚未训练出该3层后向传输神经网络模型，所以本节点定位方法前进到步骤S304，以生成该神经网络模型。

在步骤S304中，获取原始经验强度序列和相应的原始经验距离序列。

为了进行神经网络模型训练，未知节点12可以从自身的临时存储器中读取所存储的预定数目的RSSI信号。RSSI信号的预定数目可以取决于未知节点的处理能力和室内环境的环境变化频率。也就是说，更多数目的RSSI信号将消耗未知节点的更多处理资源，并且环境变化快必然将导致一定时间以前的RSSI信号失去其参考意义。

然后，未知节点12可以基于当前时隙，根据不同的获取时间来将这些RSSI信号划分为两个部分，即经验强度序列X_m(又称为经验RSSI信号序列)和实时强度序列Y_m(又称为实时RSSI信号序列)。

如图6所示，假设未知节点12总共获取了L+K个时隙的RSSI信号。并且，根据预定的划分原则，可以将当前时隙之前的K个时隙的RSSI信号确定为实时强度信号，并且将该K个时隙之前的L个时隙的RSSI信号确定为经验强度信号。例如，该L+K可以等于500，其中，L可以等于100，K可以等于400。

具体地，在本步骤中，未知节点12可以首先仅仅获取L个经验RSSI信号序列X_m＝[x1,x2,…,xl,…,xL]，同时该未知节点12还可以获取与每一个RSSI信号对应的距离序列DI_m＝[di1,di2,…,dil,…,diL]，其中L是信号序列的长度，与采样频率相关。例如，该距离序列DI_m中的各个距离值初始地可以由用户手动定点测量、根据经验值确定、或者通过其他方式计算而得到。

在步骤S305中，对所述原始经验强度序列和所述原始经验距离序列进行多尺度变换。

在获取经验RSSI信号序列X_m＝[x1,x2,…,xl,…,xL]和相应的距离序列DI_m＝[di1,di2,…,dil,…,diL]之后，可以对所述它们进行多尺度变换。

例如，在本具体示例中，所述多尺度变换可以是通过N层小波变换(或称之为N层小波分析)来实现。

2层小波变换使用具有有限长度的振动波形或者迅速衰变的振动波形来表现信号。这种振动波形可以称为母小波。例如，在本具体示例中，可以使用哈尔(Haar)小波作为该母小波。此外，2层小波变换通过伸缩、平移运算来对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分、低频处频率细分，使得所得到的2个细节序列D1和D2(由于是2层小波分析)、以及1个逼近序列A2能够匹配原始输入信号。由于小波变换的原理已经为本领域技术人员所熟知，所以在这里省略其详细描述。

在本具体示例中，例如，可以使用马拉特(Mallat)算法来形成N层小波分析模型，该算法使用一组高通滤波器和低通滤波器来首先分解并然后重构输入信号，如图7所图示的。

在使用马拉特(Mallat)算法来形成N层(例如，在本具体示例中，N可以等于3)小波分析模型之后，可以使用N层小波分析技术对经验RSSI信号序列X_m和相应的距离序列DI_m进行分解与重构，以得到多尺度信号序列组，该多尺度信号序列组包括N个细节序列组({D1_i,D1_o},{D2_i,D2_o},…,{DN_i,DN_o})以及1个逼近序列组({AN_i,AN_o})。其中，{D1_i,D2_i,…,DN_i,AN_i}是X_m的重构结果，而{D1_o,D2_o,…,DN_o,AN_o}是DI_m的重构结果。

在步骤S306中，针对各个经验强度分量序列，判断在所述经验强度分量序列中是否存在突发噪声元素。

接下来，可以判断在所述经验强度分量序列中是否存在突发噪声元素。如果存在突发噪声元素，则本节点定位方法前进到步骤S307，否则前进到步骤S309。

通常，室内环境噪声相对于有效信号，频率较高且数值较小。小波分析可将原始信号分解成在不同频率块上的多尺度信号，因此，可以对重构结果中的细节部分进行突发噪声定位，从而去掉突发点。

在本具体示例中，对细节部分集{D1_i,D2_i,…,DN_i}中的各个序列，可以首先计算序列的标准差以及期望。

以细节部分集{D1_i,D2_i,…,DN_i}中的第一个序列D1_i为例，其是对经验RSSI信号序列X_m进行1层小波变换后得到的细节序列，显然由于经验RSSI信号序列X_m包括总共L个元素，所以该序列D1_i也包括L个元素。例如，可以按照如下的公式(1)来计算该序列的标准差σ以及期望μ：

其中d1l是该第一个序列D1_i中的第l个元素。

若通过公式(1)所得到的标准差大于或等于预先设定的阈值，即σ≥σ_th，则可以确定序列D1_i中存在突发噪声。

在步骤S307中，在所述经验强度分量序列中定位突发噪声元素。

在判断出序列D1_i中存在突发噪声之后，可以根据公式(2)来定位突发点集Ω：

Ω＝{(d1l,P)||d1l-μ|<μ_th,P＝argd1l(l)} 公式(2)

其中P是突发噪声的位置，并且μ_th是预先设定的阈值，其可以根据经验值来确定。

在步骤S308中，在所述经验强度分量序列中去除突发噪声元素。

在确定了突发噪声元素(或称之为突发点)的位置之后，可以消除序列D1_i中的突发点。

例如，可以计算在序列D1_i中除了突发点之外的剩余元素的均值，并且使用此均值替代D1_i中的突发点，从而更新D1_i。

在上述关于步骤S306到S308的描述中，仅仅描述了关于细节部分集{D1_i,D2_i,…,DN_i}中序列D1_i的去噪过程。显然，在实际操作中，采用同样的方法，可以对细节部分集{D1_i,D2_i,…,DN_i}中的各个序列执行上述去噪过程，以去掉{D1_i,D2_i,…,DN_i}中的全部突发噪声。此外，在实际操作中，除了细节部分集{D1_i,D2_i,…,DN_i}之后，取决于设计需求等因素，还可以对于逼近部分集{AN_i}执行去噪过程。

在步骤S309中，根据去噪后的多个经验强度分量序列和所述多个经验距离分量序列来生成与所述参考节点相关的多尺度经验映射关系。

在去掉{D1_i,D2_i,…,DN_i}中的全部突发噪声之后，可以使用去噪结果来训练多尺度神经网络模型，其中可以将更新后的{D1_i,D2_i,…,DN_i,AN_i}作为模型的输入，并且将{D1_o,D2_o,…,DN_o,AN_o}作为模型的期望输出来训练BP神经网络。

在步骤S310中，获取原始实时强度序列。

在多尺度神经网络模型训练好之后，就可以在后续步骤中使用实时RSSI信号序列Y_m以及训练好的神经网络模型来计算经验距离。

如图6所示，与步骤S304中类似地，在本步骤中，未知节点12可以获取K个实时RSSI信号序列Y_m＝[y1,y2,…,yk,…,yK]，其中K是信号序列的长度，与采样频率相关。

在步骤S311中，对所述原始实时强度序列进行多尺度变换。

然后，可以使用N层小波分析技术对实时信号进行分解与重构，得到多尺度信号，即N个细节序列和1个逼近序列。由于上述多尺度信号中的各个序列是对实时RSSI信号序列Y_m进行某一层小波变换后得到的细节序列或经过N层变换后得到的逼近序列，并且由于实时RSSI信号序列Y_m包括总共K个元素，所以各个序列也包括K个元素。

在步骤S312中，针对各个实时强度分量序列，判断在所述实时强度分量序列中是否存在突发噪声元素。

接下来，可以判断在所述实时强度分量序列中是否存在突发噪声元素。如果存在突发噪声元素，则本节点定位方法前进到步骤S313，以便定位并去掉每个细节序列中的突发点，否则前进到步骤S315。

在步骤S313中，在所述实时强度分量序列中定位突发噪声元素。

在步骤S314中，在所述实时强度分量序列中去除突发噪声元素。

显然，上述的步骤S312到S314中的各项操作与步骤S306到S308中相似，其区别仅仅在于处理的对象从经验RSSI信号序列X_m变为实时RSSI信号序列Y_m，并因此，为了简略，将省略其重复描述。

为了便于描述，在这里仅仅以对于实时强度分量序列中的细节部分集执行去噪过程为例进行说明。然而，如上所述，在实际操作中，可以对于实时强度分量序列中的细节部分集和逼近部分集中的一个或两者执行去噪过程。

在步骤S315中，根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计多个实时距离分量序列。

在去掉实时RSSI信号序列Y_m的多尺度信号中的全部突发噪声之后，可以将逼近序列以及更新后的细节序列输入训练好的神经网络，以得到相应的逼近距离(D2_m(N+1))以及细节距离(D2_m1,D2_m2,…,D2_mN)，其中逼近距离是在将实时RSSI信号序列Y_m的多尺度信号中的逼近序列作为输入时所得到的距离分量结果，而细节距离是在将实时RSSI信号序列Y_m的多尺度信号中的更新后的细节序列作为输入时所得到的距离分量结果。

在步骤S316中，根据所述多个实时距离分量序列来生成所述经验实时距离。

例如，可以通过公式(3)来获得经验实时距离D2_m：

其中，K是实时RSSI信号序列Y_m＝[y1,y2,…,yk,…,yK]中包含的RSSI信号的数目，例如，以细节距离(D2_m1,D2_m2,…,D2_mN)中的第一个序列D2_m1为例，D2_m1(i)是该第一个序列D2_m1中总共K个元素中的第i个元素，以细节距离(D2_m1,D2_m2,…,D2_mN)中的第二个序列D2_m2为例，D2_m2(i)是该第二个序列D2_m2中总共K个元素中的第i个元素，……，如此类推，D2_m(N+1)(i)是该逼近距离序列D2_m(N+1)中总共K个元素中的第i个元素。

在步骤S317中，根据所述原始实时强度序列和理想映射关系来估计所述理想实时距离。

除了计算经验实时距离之外，还可以根据所述原始实时强度序列和理想映射关系来估计所述理想实时距离。

在本具体示例中，在未知节点12可以获取K个实时RSSI信号序列Y_m＝[y1,y2,…,yk,…,yK]之后，可以通过公式(4)来获得yk的相应理想实时距离D1_mk：

其中，D_s是当未知节点与参考节点相距1米时的RSSI值；ε是信号路径损耗因子，也即，传播指数。

接下来，可以通过公式(5)来对与K个实时RSSI信号序列Y_m＝[y1,y2,…,yk,…,yK]分别对应的距离序列[D1_m1,D1_m2,…,D1_mK]作平均，得到最终的理想实时距离D1_m：

在步骤S318中，根据所述经验实时距离和理想实时距离来确定所述特定环境中的环境变化程度。

接下来，可以对经验距离和实时距离进行相互校正。

为此，在得到经验实时距离D2_m和理想实时距离D1_m后，可以使用公式(6)来计算两个距离间的差值GapD，作为所述环境变化程度：

在步骤S319中，判断所述环境变化程度是否大于或等于环境变化阈值。

接下来，通过比较GapD和预先设定的模型更新门限D_th，可以决定环境变化程度是否大于或等于环境变化阈值。

如果判断出环境变化程度大于或等于环境变化阈值，即，若GapD≥D_th，表明室内环境已经变化，神经网络模型的参数已经失效，需要根据最近收集的RSSI数据进行更新，则本节点定位方法返回到步骤S304，以重新获取一组新的原始经验强度序列和相应的原始经验距离序列，从而根据环境更新神经网络模型参数。

如果判断出环境变化程度小于环境变化阈值，即，若GapD<D_th，则表明神经网络模型的参数不需更新，则本节点定位方法前进到步骤S320，以计算未知节点和参考节点之间的最终距离。

在步骤S320中，根据所述经验实时距离和理想实时距离来确定所述参考节点与所述未知节点之间的实时距离。

例如，可以使用公式(7)来计算未知节点12和参考节点m(即，第一个参考节点11A)之间的距离：

D_m＝αD1_m+(1-α)D2_m 公式(7)

其中α是加权因子，其根据经验实时距离D2_m和理想实时距离D1_m按照公式(8)而计算所得：

这样，就计算出了未知节点12与第一个参考节点11A之间的最终实时距离。

在步骤S321中，判断是否存在未计算与所述未知节点之间的实时距离的参考节点。

接下来，可以判断是否已经计算了未知节点12与所有参考节点11之间的最终实时距离，如果是，则本节点定位方法前进到步骤S322，否则，返回到步骤S301，重新选择下一个参考节点，例如第二个参考节点11B，并且重复上述所有的步骤，直到计算了未知节点12与所有参考节点11之间的最终实时距离为止。

在步骤S322中，根据所述原始实时强度序列和所述特定环境中的变化程度来生成选择因子。

在未知节点12到所有参考节点11之间的距离都已计算得到之后，可以通过选择合适的参考节点11，对未知节点12进行最终定位。

为此，可以设置一个选择因子来决定选择哪些参考节点11用于对未知节点12进行定位。

例如，可以同时考虑室内环境变化及RSSI信号的强度，使用公式(9)来计算选择因子ω_m：

其中，β是根据仿真所得到的权重因子，并且0≤β≤1，并且Y_m(i)是未知节点12获取到的K个实时RSSI信号序列Y_m＝[y1,y2,…,yk,…,yK]中的第i个元素。

因此，在本具体示例中，在选择参考节点时，同时考虑了接收信号强度和特定环境中的环境变化程度，从而选择出其与未知节点之间的无线通信尽可能少地受到突发噪声影响的参考节点。

在步骤S323中，选择具有最大选择因子的前预定数目个参考节点。

然后，可以根据选择因子对参考节点进行降序排列，并且选择选择因子为最大的前3个参考节点。

在步骤S324中，根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。

最后，可以使用三角测量法，根据所选择的3个参考节点11与未知节点12之间的距离来对未知节点进行定位。

如图8所示，在已知所选择的3个参考节点11的位置坐标(x1,y1)、(x2,y2)和(x3,y3)，并且已知所选择的3个参考节点11与未知节点12之间的距离r1、r2和r3的情况下，通过作立体图形(球)可确定在空间中未知节点的位置(x,y)。

具体地，例如，可以使用如图8所示的公式来计算未知节点12的位置(x,y)。

由此可见，本发明实施例的具体示例提供了一种节点定位方法，其能够使用小波分析所得的多尺度RSSI信号，建立多尺度的自适应神经网络模型，并且结合实时RSSI信号，以提高所获得的最终实时距离的时效性。此外，与单独使用理想路径损耗模型的定位方法相比，该节点定位方法与经验RSSI信号相结合，以提高定位方法的现实可行性。

可以看出，尽管上面按照步骤S301到S324来说明了根据本发明实施例具体示例的节点定位方法，但是，总结起来，该方法可以包括四个主要步骤：经验实时距离估计、理论实时距离估计、最终实时距离确定、和节点定位。例如，该经验实时距离估计步骤主要包括上述的步骤S303到S316，其中，对于各个参考节点，例如，对参考节点m，可以使用RSSI实时信号以及多尺度神经网络模型来计算经验实时距离，多尺度神经网络模型由N尺度小波分析所得的多尺度RSSI经验信号训练得到。该理论实时距离估计步骤主要包括上述的步骤S310和S317，其中，可以使用RSSI实时信号以及理想路径损耗模型计算理想实时距离。该最终实时距离确定步骤主要包括上述的步骤S318到S320，其中，可以使用经验实时距离和理想实时距离进行互相校正，从而得到该未知节点到参考节点m之间的距离。该节点定位步骤主要包括上述的步骤S321到S324，其中，可以根据选择因子选择参考节点，并使用三角测量法计算出未知节点的位置。

此外，需要说明的是，尽管上面按照步骤S301到S324这一特定顺序来说明了根据本发明实施例具体示例的节点定位方法，但是，本发明不限于此。例如，该经验实时距离估计步骤可以在该理论实时距离估计步骤之后执行，或者两者也可以同时执行。也就是说，步骤S317也可以在步骤S311之前执行，或者与步骤S311到S316中的一个或多个并行执行。此外，步骤S301到S324中的一个或多个步骤(例如，步骤S319；又如步骤S321和S322)也可以省略，以获取更快的节点定位速度。

6、距离估计装置

本发明的实施例还可以通过一种距离估计装置来实施。该距离估计装置用于在特定环境中估计第一节点与第二节点之间的实时距离，所述第一节点能够从所述第二节点接收信号。例如，所述距离估计装置可以应用于第一节点、第二节点或任何其他电子设备中。

在下文中，将参考图9来描述根据本发明实施例的距离估计装置的功能配置框图。

如图9所示，该距离估计装置100可以包括：实时强度获取单元101、多尺度变换单元102、突发噪声去除单元103、经验实时距离估计单元104、和实时距离确定单元105。

该实时强度获取单元101可以用于获取原始实时强度序列，所述原始实时强度序列中的各个原始实时强度是在第一时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度。

该多尺度变换单元102可以用于对所述原始实时强度序列进行多尺度变换，以获得多个实时强度分量序列，所述多个实时强度分量序列分别是所述原始实时强度序列在多个尺度上的投影结果。

该突发噪声去除单元103可以用于去除各个实时强度分量序列中的突发噪声元素。

该经验实时距离估计单元104可以用于根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离，所述多尺度经验映射关系用于表征在各个尺度上强度分量与距离分量之间的对应关系。

该实时距离确定单元105可以用于至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离。

在一个实施例中，所述距离估计装置100还可以包括：映射关系生成单元106，用于获取原始经验强度序列和相应的原始经验距离序列，所述原始经验强度序列中的各个原始经验强度是在所述第一时段以前的第二时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度，并且所述原始经验距离序列中的各个原始经验距离是在所述第二时段中的各个时隙中所得到的所述第一节点与所述第二节点之间的距离；对所述原始经验强度序列和所述原始经验距离序列进行多尺度变换，以获得多个经验强度分量序列和多个经验距离分量序列，所述多个经验强度分量序列分别是所述原始经验强度序列在多个尺度上的投影结果，并且所述多个经验距离分量序列分别是所述原始经验距离序列在多个尺度上的投影结果；去除各个经验强度分量序列中的突发噪声元素；以及根据去噪后的多个经验强度分量序列和所述多个经验距离分量序列来生成所述多尺度经验映射关系。

在一个实施例中，所述距离估计装置100还可以包括：突发噪声定位单元107，用于在去除各个实时强度分量序列中的突发噪声元素之前，针对各个实时强度分量序列，计算所述实时强度分量序列中的各个元素的平均值；针对所述实时强度分量序列中的各个元素，计算所述元素与所述平均值之间的个体偏差程度；以及当所述个体偏差程度大于或等于个体偏差阈值时，判断出所述元素是突发噪声元素。

在一个实施例中，所述距离估计装置100还可以包括：突发噪声判断单元108，用于在计算所述实时强度分量序列中的各个元素的平均值之前，计算所述实时强度分量序列的总体偏差程度；以及当所述总体偏差程度大于或等于总体偏差阈值时，计算所述实时强度分量序列中的各个元素的平均值。

在一个实施例中，所述突发噪声去除单元103可以通过以下操作去除各个实时强度分量序列中的突发噪声元素：针对各个实时强度分量序列，计算在所述实时强度分量序列中除了所述突发噪声元素之外的其他剩余元素的平均值；以及使用所述平均值来替换所述突发噪声元素。

在一个实施例中，所述经验实时距离估计单元104可以通过以下操作根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离：根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计多个实时距离分量序列，所述多个实时距离分量序列分别是原始实时距离序列在多个尺度上的投影结果，所述原始实时距离序列中的各个原始实时距离是在所述第一时段中的各个时隙中所估计的所述第一节点与所述第二节点之间的距离；以及根据所述多个实时距离分量序列来生成所述经验实时距离。

在一个实施例中，所述距离估计装置100还可以包括：实时性判断单元109，用于在至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离之前，根据所述经验实时距离和理想实时距离来确定所述特定环境中的环境变化程度，所述理想实时距离是在理想情况下根据所述原始实时强度序列所估计出的所述第一节点与所述第二节点之间的节点距离；当所述环境变化程度小于环境变化阈值时，判断出所述多尺度经验映射关系符合实时性要求，从而通知所述实时距离确定单元105至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离；以及当所述环境变化程度大于或等于所述环境变化阈值时，判断出所述多尺度经验映射关系不符合实时性要求，从而通知所述映射关系生成单元106获取新的原始经验强度序列和相应的原始经验距离序列，并且重新生成所述多尺度经验映射关系。

在一个实施例中，所述实时距离确定单元105可以通过以下操作至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离：根据所述经验实时距离和理想实时距离来确定所述第一节点与所述第二节点之间的实时距离，所述理想实时距离是在理想情况下根据所述原始实时强度序列所估计出的所述第一节点与所述第二节点之间的节点距离。

在一个实施例中，所述距离估计装置100还可以包括：理想实时距离估计单元110，用于根据所述原始实时强度序列和理想映射关系来估计所述理想实时距离，所述理想映射关系用于表征在理想情况下信号强度与节点距离之间的对应关系。

显然，上述的实时强度获取单元101、多尺度变换单元102、突发噪声去除单元103、经验实时距离估计单元104、实时距离确定单元105、映射关系生成单元106、突发噪声定位单元107、突发噪声判断单元108、实时性判断单元109、和理想实时距离估计单元110的具体功能和操作已经在上面参考图1到图8描述的距离估计方法中详细介绍，并因此，将省略其重复描述。

由此可见，本发明的实施例提供了一种距离估计装置，其能够在通过接收信号强度来估计两个节点之间的距离时，首先对接收信号强度进行多尺度变换，以便将接收信号强度投影到多个尺度上，从而精确地定位并去除突发噪声在多个尺度上的投影分量。此外，该距离估计装置还能够充分考虑接收信号强度的时变特性，从而在测距过程中，使用加权因子来对具有实时性的理想实时距离和具有历史规律性的经验实时距离两者进行相互校正，从而得到最终的实时距离。因此，根据本发明实施例的距离估计装置能够提高测距结果的准确性。

7、节点定位设备

此外，本发明还可以应用于一种节点定位设备，以用于基于距离估计装置所测量的节点距离，进一步在特定环境中对未知其位置的未知节点进行定位。该节点定位设备用于对未知其位置的未知节点进行定位，所述未知节点能够与已知其位置的多个参考节点进行通信。例如，所述节点定位设备可以应用于未知节点、参考节点或任何其他电子设备中。

在下文中，将参考图10来描述根据本发明实施例的节点定位设备的功能结构。

如图10所示，该节点定位设备200可以包括：距离估计装置201、参考节点选择装置202、和未知节点定位装置203。

该距离估计装置201可以用于分别估计所述未知节点与各个参考节点之间的实时距离。

该参考节点选择装置202可以用于从所述多个参考节点中选择预定数目个参考节点。

该未知节点定位装置203可以用于根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。

在一个实施例中，该距离估计装置201可以利用图9所示的距离估计装置100的配置来实现。替换地，该距离估计装置100也可以使用任何传统的距离估计装置的配置来实现。

显然，上述的距离估计装置201、参考节点选择装置202、和未知节点定位装置203的具体功能和操作已经在上面参考图1到图8描述的节点定位方法中详细介绍，并因此，将省略其重复描述。

由此可见，本发明的实施例提供了一种节点定位设备，其能够在根据未知节点与参考节点之间的实时距离和参考节点的位置来对所述未知节点进行定位时，根据全面的准则来选取合适的参考节点，以确保该参考节点与未知节点之间的估计距离尽可能小地受到突发噪声的影响，从而使得该节点定位设备能够很好地适用于不同的复杂环境，并且能够有效地提高定位精度。

此外，尽管此处将上述的各个单元和/或装置作为各个步骤的执行主体来说明本发明的各个实施例，但是，本领域技术人员能够理解的是，本发明不限于此。各个步骤的执行主体可以由其他的一个或多个设备、装置、单元、甚至模块来担任。

例如，上述的实时强度获取单元101、多尺度变换单元102、突发噪声去除单元103、经验实时距离估计单元104、实时距离确定单元105、映射关系生成单元106、突发噪声定位单元107、突发噪声判断单元108、实时性判断单元109、和理想实时距离估计单元110、和/或距离估计装置201、参考节点选择装置202、和未知节点定位装置203所执行的各个步骤可以统一地由电子设备中的中央处理单元(CPU)来实现。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助于软件加必需的硬件平台的方式来实现，当然也可以全部通过软件、或硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁盘、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

在上面详细描述了本发明的各个实施例。然而，本领域技术人员应该理解，在不脱离本发明的原理和精神的情况下，可对这些实施例进行各种修改，组合或子组合，并且这样的修改应落入本发明的范围内。

Claims

1.一种距离估计方法，用于在特定环境中估计第一节点与第二节点之间的实时距离，所述第一节点能够从所述第二节点接收信号，其特征在于，所述方法包括：

获取原始实时强度序列，所述原始实时强度序列中的各个原始实时强度是在第一时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度；

对所述原始实时强度序列进行多尺度变换，以获得多个实时强度分量序列，所述多个实时强度分量序列分别是所述原始实时强度序列在多个尺度上的投影结果；

去除各个实时强度分量序列中的突发噪声元素；

根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离，所述多尺度经验映射关系用于表征在各个尺度上强度分量与距离分量之间的对应关系；以及

至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离；

其中，所述方法还包括：

获取原始经验强度序列和相应的原始经验距离序列，所述原始经验强度序列中的各个原始经验强度是在所述第一时段以前的第二时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度，并且所述原始经验距离序列中的各个原始经验距离是在所述第二时段中的各个时隙中所得到的所述第一节点与所述第二节点之间的距离；

对所述原始经验强度序列和所述原始经验距离序列进行多尺度变换，以获得多个经验强度分量序列和多个经验距离分量序列，所述多个经验强度分量序列分别是所述原始经验强度序列在多个尺度上的投影结果，并且所述多个经验距离分量序列分别是所述原始经验距离序列在多个尺度上的投影结果；

去除各个经验强度分量序列中的突发噪声元素；以及

根据去噪后的多个经验强度分量序列和所述多个经验距离分量序列来生成所述多尺度经验映射关系。

2.根据权利要求1的方法，其特征在于，在去除各个实时强度分量序列中的突发噪声元素之前，所述方法还包括：

针对各个实时强度分量序列，计算所述实时强度分量序列中的各个元素的平均值；

针对所述实时强度分量序列中的各个元素，计算所述元素与所述平均值之间的个体偏差程度；以及

当所述个体偏差程度大于或等于个体偏差阈值时，判断出所述元素是突发噪声元素。

3.根据权利要求2的方法，其特征在于，在计算所述实时强度分量序列中的各个元素的平均值之前，所述方法还包括：

计算所述实时强度分量序列的总体偏差程度；以及

当所述总体偏差程度大于或等于总体偏差阈值时，计算所述实时强度分量序列中的各个元素的平均值。

4.根据权利要求1的方法，其特征在于，去除各个实时强度分量序列中的突发噪声元素包括：

针对各个实时强度分量序列，计算在所述实时强度分量序列中除了所述突发噪声元素之外的其他剩余元素的平均值；以及

使用所述平均值来替换所述突发噪声元素。

5.根据权利要求1的方法，其特征在于，根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离包括：

根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计多个实时距离分量序列，所述多个实时距离分量序列分别是原始实时距离序列在多个尺度上的投影结果，所述原始实时距离序列中的各个原始实时距离是在所述第一时段中的各个时隙中所估计的所述第一节点与所述第二节点之间的距离；以及

根据所述多个实时距离分量序列来生成所述经验实时距离。

6.根据权利要求1的方法，其特征在于，在至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离之前，所述方法还包括：

根据所述经验实时距离和理想实时距离来确定所述特定环境中的环境变化程度，所述理想实时距离是在理想情况下根据所述原始实时强度序列所估计出的所述第一节点与所述第二节点之间的节点距离；

当所述环境变化程度小于环境变化阈值时，至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离；以及

当所述环境变化程度大于或等于所述环境变化阈值时，获取新的原始经验强度序列和相应的原始经验距离序列，并且重新生成所述多尺度经验映射关系。

7.根据权利要求1的方法，其特征在于，至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离包括：

根据所述经验实时距离和理想实时距离来确定所述第一节点与所述第二节点之间的实时距离，所述理想实时距离是在理想情况下根据所述原始实时强度序列所估计出的所述第一节点与所述第二节点之间的节点距离。

8.根据权利要求6或7的方法，其特征在于，所述方法还包括：

根据所述原始实时强度序列和理想映射关系来估计所述理想实时距离，所述理想映射关系用于表征在理想情况下信号强度与节点距离之间的对应关系。

9.一种节点定位方法，用于对未知其位置的未知节点进行定位，所述未知节点能够与已知其位置的多个参考节点进行通信，其特征在于，所述方法包括：

使用根据权利要求1-8中任一项的距离估计方法来分别估计所述未知节点与各个参考节点之间的实时距离；

从所述多个参考节点中选择预定数目个参考节点；以及

根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。

10.根据权利要求9的方法，其特征在于，从所述多个参考节点中选择预定数目个参考节点包括：

根据所述原始实时强度序列和所述特定环境中的变化程度来生成选择因子；以及

选择具有最大选择因子的前预定数目个参考节点。

11.一种距离估计装置，用于在特定环境中估计第一节点与第二节点之间的实时距离，所述第一节点能够从所述第二节点接收信号，其特征在于，所述装置包括：

实时强度获取单元，用于获取原始实时强度序列，所述原始实时强度序列中的各个原始实时强度是在第一时段中的各个时隙中所述第一节点从所述第二节点接收到的信号的强度；

多尺度变换单元，用于对所述原始实时强度序列进行多尺度变换，以获得多个实时强度分量序列，所述多个实时强度分量序列分别是所述原始实时强度序列在多个尺度上的投影结果；

突发噪声去除单元，用于去除各个实时强度分量序列中的突发噪声元素；

经验实时距离估计单元，用于根据去噪后的多个实时强度分量序列和多尺度经验映射关系来估计经验实时距离，所述多尺度经验映射关系用于表征在各个尺度上强度分量与距离分量之间的对应关系；以及

实时距离确定单元，用于至少根据所述经验实时距离来确定所述第一节点与所述第二节点之间的实时距离；

其中，所述经验实时距离估计单元还用于：

去除各个经验强度分量序列中的突发噪声元素；以及

12.一种节点定位设备，用于对未知其位置的未知节点进行定位，所述未知节点能够与已知其位置的多个参考节点进行通信，其特征在于，所述设备包括：

根据权利要求11的距离估计装置，用于分别估计所述未知节点与各个参考节点之间的实时距离；

参考节点选择装置，用于从所述多个参考节点中选择预定数目个参考节点；以及

未知节点定位装置，用于根据所述未知节点与所选择的各个参考节点之间的实时距离和所选择的各个参考节点的位置来对所述未知节点进行定位。